Un enfoque explicativo para el diagnóstico de la degeneración macular asociada a la edad mediante técnicas de deep learning
Author
Herrero Tudela, M.; Romero Oraá, R.; Hornero Sánchez, R.; Gutiérrez Tobal, Gonzalo C.; López Gálvez, M. I.; [et al.]Knowledge Area
Tecnología ElectrónicaSponsors
Esta investigación se ha desarrollado en el marco de las ayudas TED2021-131913B-I00, PID2020-115468RB-I00 y PGC2018-098214-A-I00 financiadas por el 'Ministerio de Ciencia e Innovación/Agencia Estatal de Investigación/10.13039/501100011033/' y el Fondo Europeo de Desarrollo Regional (FEDER). Una forma de hacer Europa; y por el ‘CIBER en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN)’ a través del ‘Instituto de Salud Carlos III’ cofinanciado con fondos FEDER. M. Herrero Tudela cuenta con un contrato predoctoral de la Universidad de Valladolid.Publication date
2023-11Publisher
Universidad Politécnica de CartagenaBibliographic Citation
HERRERO TUDELA, M., et. al. Un enfoque explicativo para el diagnóstico de la degeneración macular asociada a la edad mediante técnicas de deep learning. En: XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica. Cartagena: Universidad Politécnica de Cartagena, 2023. Pp. 468-471. ISBN: 978-84-17853-76-1Keywords
Degeneración macular asociada a la edad (DMAE)Mácula
Programas de cribado
Explainable Artificial Intelligence
Abstract
La degeneración macular asociada a la edad (DMAE) es un
trastorno que afecta a la mácula, una zona de la retina clave para
la agudeza visual. La DMAE es una de las causas más frecuentes
de ceguera en personas mayores de 60 años en los países
desarrollados. Aunque se han propuesto tratamientos que frenan
su desarrollo, su eficacia disminuye significativamente en las
fases avanzadas. Por ello, son importantes los programas de
cribado para la detección precoz. Sin embargo, implementar
tales programas para enfermedades como la DMAE suele ser
inviable debido a la extensa población de riesgo y a la necesidad
de que los profesionales revisen y localicen manualmente
lesiones en las retinografías. En este sentido, la principal
contribución de este trabajo fue la aplicación de Explainable
Artificial Intelligence como ayuda al diagnóstico de la DMAE.
Para ello, desarrollamos un modelo de deep learning basado en
RegNetY-320 con el que obtuvimos una precisión, sensibilidad ...
The following license files are associated with this item:
Social media